Predicción de Siniestros Viales en Bogotá: Modelos Supervisados y No Supervisados

Me gustó mucho el trabajo, un dataset diferente a lo tradicional, además encuentro
dedicación y tiempo en la generación del material y escritura del documento. Muy bien!!!
Si gustan podemos conversar para hacer ajustes y enviarlo a la revista de la Escuela.
ENTRENAMIENTO DE MODELOS SUPERVISADOS Y NO
SUPERVISADOS PARA LA PREDICCIÓN DE SINIESTROS
VIALES EN BOGOTÁ
TRAINING OF SUPERVISED AND UNSUPERVISED MODELS FOR THE PREDICTION OF ROAD
CRASHES IN BOGOTA
Roger Smith Cardozo Pinilla
Laura Vanessa Uribe Benavides
Programa de Ingeniería Civil
[email protected]
Universidad Escuela Colombiana de Ingeniería Julio Garavito
Bogotá D.C, Colombia
Programa de Ingeniería Civil
[email protected]
Universidad Escuela Colombiana de Ingeniería Julio Garavito
Bogotá D.C, Colombia
I. INTRODUCCIÓN
Luego de que la Organización Mundial de la Salud
(OMS) publicará el primer Informe sobre la Situación
Mundial de la Seguridad Vial en 2009, la Comisión de
Seguridad Vial Mundial, declaro que todos los estados
miembros, organismos internacionales y demás actores
involucrados instituyeran el Decenio de Acción para la
seguridad Vial, el cual fue estructurado y oficializado por la
ONU en 2010 y puesto en marcha el 11 de mayo de 2011 [1].
Su principal objetivo era prevenir 5 millones de muertes y
evitar 50 millones de traumatismos graves a causa de los
siniestros presentados en las vías.
En el informe entregado por Naciones Unidas, se resalta la
magnitud del problema de seguridad vial y la tendencia
ascendente de este. Se estima que se tienen cerca de 1,3
millones de personas fallecidas a causa de accidentes de
tránsito; convirtiéndose en una de las tres primeras causas de
muertes en personas entre 5 y 44 años, y qué según los
pronósticos desarrollados en 2009, podría llegar a
convertirse en la quinta causa de muerte a nivel mundial.
Adicionalmente, se alerta de las repercusiones económicas
que los accidentes de tránsito tienen en la economía de los
países, llegando a costar entre el 1% y el 3% del PIB de cada
país y sobre todo afectando la productividad de los países de
bajos y medianos ingresos, en donde se concentra el 90% de
los fallecidos [2].
Teniendo en cuenta las cifras anteriores, la ONU establece
los principios rectores del Plan para el Decenio de Acción
para la Seguridad Vial, los cuales incluyen la gestión de la
seguridad vial, vías de tránsito y movilidad más segura,
vehículos más seguros, usuarios de vías de tránsito más
seguros y respuesta tras los accidentes; los cuales constituyen
una guía metodológica para la estructuración de un marco
nacional en seguridad vial único para cada país. Lo anterior
enmarcado en la protección de los peatones, ciclistas y
motociclistas, los cuales representan la mitad de los
fallecidos en las vías del mundo y quienes son los actores
viales más vulnerables(World Health Organization).
Sin embargo, los objetivos del Decenio 2011 – 2020 no se
cumplieron; pero dejaron importantes y valiosas lecciones
aprendidas, entre las que se encuentran el enfoque integrador
de la seguridad vial como lo fueron el Sistema Seguro y la
Visión Cero.
En 2018, luego de que la Organización Mundial de la Salud
(OMS) publicará la actualización del Informe sobre la
Situación Mundial de la Seguridad Vial, donde se
cuantificaba que en 2016 el número de muertes por
accidentes de tránsito alcanzaba 1,35 millones y aunque
varios países lograron estabilizar sus tasas de accidentalidad,
el ritmo del riesgo de muerte no se ha generado en la
proporción necesaria para reducir este número a la mitad
(World Health Organization). A raíz de los incrementos de
fallecidos en siniestros, la vulnerabilidad de algunos actores
viales y el no cumplimiento de las metas propuestas, la ONU
declara el periodo 2022 – 2030 como el Segundo Decenio de
Acción por la Seguridad Vial, cuyo objetivo plantea reducir
en por lo menos un 50% las muertes y lesionados en
accidentes de tránsito.
De acuerdo con el informe de siniestralidad vial presentado
por el Observatorio Nacional de Seguridad Vial, en el 2022
se presentaron 37,357 accidentes viales de los cuales el
22,12% resultaron con víctimas fatales y el 77,88% con
lesionados [3]. En este informe se concluye que 6 de cada 10
víctimas fatales a causa de siniestros viales eran
motociclistas, la tasa de accidentes fatales tuvo un
crecimiento de 13,7% frente al 2022 y del 27,9% respecto al
promedio 2018 – 2021, y el 42% de peatones fallecidos
sufrió atropellamiento por motocicletas.
En Bogotá de los 6.408 siniestros que se presentaron, el
37,2% fueron peatones, el 34,1% motociclistas, el 17,8%
ciclistas y el 2% conductores; adicionalmente a esto, se
estima que el 58% de las fatalidades tuvieron un motociclista
Completamente claro el problema de siniestros,
pero qué se realizará con respecto a MIND?
involucrado; las localidades con mayor número de siniestros
viales son Kennedy y Suba que concentran el 32% de los
siniestros viales [4].
Una vez teniendo clara la problemática de salud pública y
pérdida de productividad que genera la siniestralidad vial en
el país y en el mundo, se establece como principal objetivo
realizar un estudio de métodos predictivos que permita
conocer la probabilidad de ocurrencia de un accidente de
tráfico dependiendo la gravedad del mismo en la ciudad de
Bogotá D.C.
II. PROGRAMA EXPERIMENTAL
A. Estado del Arte
Actualmente uno de los retos globales en el sector
público y privado es la capacidad de resolución de problemas
y generación de conocimiento; es entonces, cuando convertir
datos en información útil para la toma de decisiones se
convierte en un soporte primordial y no únicamente en la
aplicación de modelos de decisión [5].
Se dispone de un data set que contiene 19 columnas y
196.152 registros, con atributos de carácter numérico y
categórico. Este conjunto de datos recopila la información
sobre los siniestros viales de Bogotá D.C. Entre la
información suministrada se puede encontrar el código del
accidente, la fecha y hora, el diseño del lugar donde se indica
los elementos de infraestructura vial que se encontraban en
el mismo y atributos que hacen alusión a la ubicación, a la
causa del accidente, aspectos generales de las personas (sexo,
edad y estado de salud) y aspectos generales de los tipos de
vehículo (como servicio, categoría, entre otros).
Para este análisis se toma como variable predictiva la
gravedad del accidente, la cual se encuentra categorizada en:
Solo Daños, Heridos y Fallecidos; las demás variables
mencionadas anteriormente se entenderán como las variables
explicativas dentro del modelo (Ver Ilustración 1).
Ilustración 1. Definición de datos de entrada y salida del modelo.
Por lo anterior, en las últimas décadas se han realizado
estudios sobre predicción y variables de relación en los
accidentes de tránsito, siendo Europa uno de los países que
mayor investigación realiza el respecto.
Francisco Soler ,en su estudio sobre los outliers en modelos
predicción de accidentes, estudio la relación existente entre
la frecuencia de los siniestros viales y las características de
las carreteras, del tráfico, del entorno y del usuario [6]. Luis
Cruz investigo y desarrolla un modelo predictivo de
accidentes de tráfico en Madrid con el cual busca estimar la
probabilidad de ocurrencia de accidentes de tráfico tomando
en cuenta variables meteorológicas, festivos, franjas horarias
y épocas del año; esto mediante modelos de redes neuronales
y regresiones lineales donde finalmente concluye en su
estudio que estas variables no son capaces de explicar la
variable dependiente de accidentalidad [7].
Mauricio Rojas quien realizó una investigación en predicción
de accidentes de tránsito utilizando redes neuronales
artificiales y Cuckoo Search, concluye que los modelos
tienen un porcentaje de error absoluto del 12,11% y 14,96%
respectivamente para cada modelo [8]. Y Cecilia Montt
quien en su trabajo de análisis de accidentalidad de tránsito
con inteligencia computacional busca evaluar modelos de
predicción que permitan estimar el número de personas
lesionadas y fallecidas en accidentes de tránsito, esto usando
modelos de redes neuronales artificiales y con las cuales se
estiman las causas más probables durante los últimos 8 años
de estudios [9].
B. Definición de la Tarea
Fuente: elaboración Propia
El objetivo del estudio consiste en identificar los factores que
contribuyen como factores relevantes de la accidentalidad
para la ciudad de Bogotá D.C., de manera que se logre
puntualizar los patrones de causa probable en la
siniestralidad, para así generar estrategias de prevención y
gestión de políticas públicas que haya lugar para la reducción
de estas cifras. Se hará alguna tarea de predicción?
C. Algoritmos de Entrenamiento
1) NAIVE BAYES:
En la actualidad el método Naive Bayes es conocido como
uno de los métodos de clasificación supervisada más
sofisticados, eficientes y efectivos [10], el éxito de este
método se basa en que el error de clasificación no está
relacionado con la calidad de ajuste de las distribuciones de
probabilidad, haciendo que las proyecciones estimadas y las
reales coincidan en la clase más probable [11], además de su
fácil construcción e interpretación y nulos sistemas iterativos
de estimación de parámetros (Pereira-Toledo et al).
Este clasificador supone una independencia entre las
variables predictoras, en donde asigna la clase más probable
a un vector de características; y siendo esta suposición poco
realista el modelo ha demostrado alta eficiencia en
aplicaciones prácticas en campos como la medicina,
rendimiento informático y clasificación de textos [11], [12].
En un estudio experimental para la comparación del
desempeño del modelo de Naive Bayes respecto a otros
modelos clasificadores Bayesianos, demostró bajo evidencia
empírica que el modelo de Naive Bayes es en la actualidad
una alternativa competitiva frente al resto de clasificadores
bayesianos (Pereira-Toledo et al).
El marco de referencias matemático que usa el modele de
clasificación, es proporcionado por un teorema de
probabilidades conocido como Bayes. El modelo matemático
normalmente es representado con una función 𝑓𝑛𝑏 (𝐸), donde
𝐸 representa una tupla de atributos de estrada con los cuales
se realizará la clasificación. la Ecuación (1) señala la
ecuación de la función Bayesiana.
𝑛
𝑝(𝑥𝑖 ∥ 𝐶 = 𝑐1 )
𝑝(𝐶 = 𝑐1 )
𝑓𝑛𝑏 (𝐸) =
∏
𝑝(𝐶 = 𝑐0 )
𝑝 (𝑥𝑖 ∥ 𝐶 = 𝑐0 )
(1)
𝑖=1
Donde 𝐶 representa el atributo de clase de predicción, 𝑐1 y
𝑐0 representan los niveles de clase (para simplificación se
asumen una clase binaria) [10]. Sin embargo, una de las
formas fáciles de representar e interpretar el modelo Naive
Bayes es mediante la expresión de la Ecuación (2) y (3)
presentada a continuación.
𝑝(𝐶 = 𝑐𝑘 ∥ 𝑋 = 𝑥) =
𝑝(𝑋 = 𝑥 ∥ 𝐶 = 𝑐𝑘 )
𝑝(𝑥)
(2)
𝑝(𝑥 ∥ 𝑐𝑘 )
𝑝(𝑥)
(3)
𝑝(𝑥 ∥ 𝑥) = 𝑝(𝑐𝑘 ) ×
2) FISHER’S LINEAR
Fisher’s Linear tiene como finalidad de realizar análisis
discriminante para encontrar propiedades que permitan
diferenciar objetos que pertenezcan a diferentes clases. El
objetivo es realizar una reducción de dimensión preservando
la mayoría de la información discriminante de las clases [13].
Uno de los parámetros que se deben de tener en cuenta en el
entrenamiento es el método para el cálculo de la matriz de
covarianza los cuales pueden ser descomposición de valores
singulares(svd) para un conjunto de datos amplio; mínimos
cuadrados regularizados (Isqr)para cuando se tienen mayor
dimensionalidad; y descomposición espectral (eigen) para un
conjunto de datos pequeños. Ya que el objetivo del método
es realizar la reducción de dimensión esta se hace por medio
de shrinkage lo cual ayuda a mejorar el rendimiento del
modelo.
Para el conjunto de datos se usa la función GridSearchCV
para realizar una evaluación de los parámetros que mejor se
desempeñan con ayuda de una validación cruzada (𝐶𝑣 = 5),
donde se divide el conjunto de datos en 5 para realizar 5
iteraciones para determinar el rendimiento del modelo para
las diferentes combinaciones. A través de la función
best_params_ se selecciona el mejor modelo.
3) BOOSTED TREE:
Donde 𝑝(𝑐𝑘 ) representa la probabilidad de que la hipótesis
𝑐𝑘 sea cierta (independiente de los datos), 𝑝(𝑥) representa la
probabilidad de ocurrencia de D, 𝑝(𝑥 ∥ 𝑐𝑘 ) es la
probabilidad de hipótesis de 𝑐𝑘 dado los datos de 𝑥 y
𝑝(𝑐𝑘 ∥ 𝑥) es la probabilidad de hipótesis de datos de 𝑥 dado
los datos de 𝑐𝑘 [12].
Para la aplicación de este método de entrenamiento
supervisado se hace uso de la librería de acceso libre ScikitLearn
con
su
componente
sklearn.naive_balles.GaussianNB, la cual mediante
probabilidades previas de clase realiza una clasificación de
las variables. Los atributos que pueden ser modificados para
lograr una mejor predicción son:
Class_count:
Class_prior:
Clases:
Épsilon:
N_features_in: Número características vistas en el ajuste
Fratures_name: Varianza de cada clase
Var:
Varianza de cada clase
Theta:
Media de cada clase
Número de muestras de entrenamiento
probabilidad de clase
Etiqueta de clase conocidas
Valor aditivo absolute a las varianzas
Boosted Tree tiene como enfoque construir secuencias de
árboles de decisión de manera iterativa para mejorar las
predicciones. El algoritmo en cada iteración utiliza el
conjunto de árboles para predecir la clase de cada instancia
de entrenamiento, y después compara la predicción obtenida
con la etiqueta real. En el entrenamiento el algoritmo hace
énfasis en las peores predicciones para así corregir los errores
en las siguientes iteraciones y poder llegar a la mejor
predicción [14].
El objetivo de los bosques aleatorios es realizar la mejor
predicción posible, lo cual se puede lograr a través de una
selección adecuada de parámetros y del clasificador para la
predicción. La elección depende de la tipología y
características de los datos.
Para el conjunto de datos de estudio se hace uso del
clasificador RandomForestClassifier el cual tiene la
capacidad de reducir el overfitting mejorando la precisión en
el modelo. Para esto se debe realizar una codificación previa
de las variables categóricas.
Boosted Tree es un método en el cual los datos se entrenan
de manera iterativa, lo cual lo hace que este sea uno de los
parámetros más importantes a ajustar. Esto se logra por
medio de n_estimators_values donde se le asigna la cantidad
de bosques que se quiere para el modelo. Es importante tener
en cuenta es que la clase es MultiClass por tanto se ajusta a
través de loss_function.
La profundidad profundidad del bosque (Depth) y la tasa de
aprendizaje (learning_rate) son parámetros que se tuvieron
en cuenta en el entrenamiento.
Para determinar el mejor ajuste en los parámetros se crea un
bucle donde itera sobre los valores de la profundidad y la
cantidad de bosques. Para cada iteración se almacena en un
diccionario su respectivo porcentaje de predicción y a partir
de un diagrama interactivo poder analizar cuál es la mejor
opción que proporciona el mejor desempeño.
Diagonal: las dimensiones de cada cluster a lo largo de cada
dimensión pueden ser distintos, pero las orientaciones son
limitadas.
Spherical: las dimensiones de cada cluster son las mismas
en todas las direcciones, genera cluster de distintos tamaños,
pero todos esféricos.
Full: cada cluster genera elipses con cualquier orientación y
dimensión.
A continuación, en la Ilustración 2 se presenta una
representación de los diferentes modelos de cluster que se
pueden generar según la matriz de covarianza que se elija
trabajar.
Ilustración 2. Clasificación del modelo según el tipo de matriz de
covarianza escogido en el algoritmo.
D. GAUSSIAN MIXTURE MODELS (GMMS)
El Gaussian Mixture Models (GMMs) es un modelo de
clasificación no supervisada o clustering, los cuales son un
proceso de entrenamiento sin etiquetas o clases establecida
previamente, los cuales utilizan las propiedades y
distribución estadística para agrupar y segmentar un conjunto
de datos encontrando similitudes en estos.
El modelo GMMs es un modelo probabilístico que considera
que las observaciones mantienen una distribución creada a
partir de múltiples distribuciones normales, se puede
entender entonces como la generación de K-means con no se
asigna un lugar a cada observación sino una probabilidad de
pertenencia [15].
El algoritmo de K-means que permite definir una distancia
interna entre los diferentes clusters que son homogéneos y
heterogéneos entre ellos; el modelo está definido mediante la
Ecuación (4).
Fuente: tomado de [15]
El modelo de programación usado para este documento se
realizo mediante el uso de la librería de acceso libre ScikitLearn con su componente sklearn.mixture.GaussianMixture,
con la cuales se pueden realizar modelos GMMs que usa
algoritmos expectation-maximization (EM) en la cual pude
ser modificada su eficiencia con los parámetros:
N_components: Numero de clusters que formara el modelo
Covariance_tipe: Tipo de matiz de covarianza.
Max_iter:
Número máximo de iteraciones.
Random_state: Semillas de reproducción de resultados.
III. EVALUACIÓN EXPERIMENTAL
𝐾
𝑓(𝑥𝑖 ∥ 𝜋) = ∑ 𝜋𝑘 ∙ ∅𝑘 ∙ (𝑥 ∥ 𝜃𝑘 )
(4)
A. Datos
𝑘=1
Donde 𝐾 es el número de clusters, 𝜃𝑘 es el conjunto de datos
de parámetros de la función de la k-ésima función de
densidad [16].
La estimación de parámetros que define la función de
distribución, el método usa el algoritmo de ExprectationMaximization (EM) y con la determinación de la matriz de
covarianza se puede obtener la clasificación de los datos.
Según el tipo de matiz de covarianza que se elija se pueden
obtener diferentes clusters (Amat Rodrigo).
Tied: todos los cluster comparten matiz de covarianza
Desde la creación de la Agencia Nacional de Seguridad Vial
se ha invertido tiempo y dinero en generar bases de datos que
permitan conocer el histórico relacionado con victimas
fatales y lesionadas valoradas por el Instituto Nacional de
Medicina Legal en los siniestros viles que se han presentado
desde el 2009 para fallecidos y 2016 para lesionados.
Para la predicción de la gravedad de los accidentes se tienen
en cuenta la clasificación de según la gravedad:
Accidente con Muertos: Decesos
Accidente Heridos: Lesiones incapacitantes – moderadas
Accidentes Solo Daños: Accidentes sin muertos o heridos,
sin atención ambulatoria, únicamente daños operacionales de
importancia a la infraestructura o vehículos.
Ilustración 3. Visualización de los datos faltantes para establecer posibles
errores.
Los datos que se tienen dentro de Data Set son los
presentados en la Tabla 1, adicionalmente se presenta el tipo
de variable que originalmente tenía el Data Set.
Tabla 1. Variables de análisis de Data Set.
Variables
Tipo
GRAVEDAD*
FECHA
HORA
CODIGO_ACCIDENTE
CLASE
CHOQUE
OBJETO_FIJO
DIRECCION
CODIGO_LOCALIDAD
DISENO_LUGAR
CONDICION
ESTADO
EDAD
SEXO
CLASE.1
SERVICIO
MODALIDAD
ENFUGA
CODIGO_CAUSA
int
object
object
int
int
float
float
object
int
int
object
object
float
object
float
float
float
object
float
En la Tabla 2 se presenta la cantidad de datos faltantes para
cada una de las variables del Data Set, en total el Data Set no
supera el 1% de datos faltantes, por lo cual se considera
realizar imputación para manejar la información.
Tabla 2. Cantidad de datos faltantes por cada variable.
Variables
Datos Faltantes
ODIGO_ACCIDENTE
GRAVEDAD
CLASE
CHOQUE
OBJETO_FIJO
CODIGO_LOCALIDAD
DISENO_LUGAR
ESTADO
EDAD
SEXO
CLASE.1
SERVICIO
MODALIDAD
ENFUGA
CODIGO_CAUSA
Porcentaje de Faltantes
0
0
0
0
0
0
0
153
2912
3818
163
163
163
163
460
0,20%
Inicialmente de se realiza una visualización de los datos
faltantes, con la Ilustración 3 se puede establecer que dichos
datos en la columna denominada CONDICIÓN superaba el
porcentaje máximo recomendado de 15% para realizar
imputación, por lo cual se decide descartar esta columna de
la base de datos. Adicionalmente se establece que los campos
sin información no guardan ninguna relación de distribución
y su porcentaje no supera el 1%, por lo tanto, puede ser
imputado normalmente.
Se realiza la normalización de los atributos de FECHA y
HORA, convirtiéndolos en formato de data time para así
crear una normalización de dos atributos donde se tiene el día
de la semana y la franja horaria de accidente (mañana, tarde,
noche y madrugada).
Fuente: Elaboración propia con Python
Para la imputación de los datos faltantes se usará el método
de KNN (k – Nearest Neighbours), propuesto por Troyona
en 2001; este es un método eficiente para la imputación de
datos faltantes, que consiste en la asignación de k datos
cercanos para cada dato faltante.
El KNN se categoriza como un método de Lazy Learning
(Aprendizaje perezoso), debido a que el algoritmo no entrena
un modelo, sino realiza una comparación entre sus vecinos
cercanos con información para establecer una predicción
[17].
Este método permite conservar la estructura original de los
datos y no distorsionar la distribución de la variable imputada
[18]. Una de las variables más importantes en la aplicación
de este método, tiene que ver con la escogencia del número
de vecino 𝑘, con los cuales se calculara la distancia que se
usara para imputar los datos faltantes mediante métodos
estadísticos como la moda, la media o nodos. Teniendo en
cuenta la importancia de los factores mencionados
anteriormente (k vecinos y métrica), existen varios trabajos
académicos en la que se busca establecer el número óptimo
de vecinos que se deberían tomar para el método KNN; como
la investigación de Beretta & Santaniello que sugieren tomar
𝑘 = 3 como relación razonable [18]. muy bien
El trabajo de Cartwrigght et al, sugiere valores más
pequeños, 𝑘 = 1 o 𝐾 = 2, sin embargo, aclara que estos
valores tan conservadores son sensibles a errores, en
consecuencia, de valores atípicos cercanos[19]. Bautista&
Morand concluyeron resultados mucho mejores con 𝑘 = 10
para grandes conjuntos de datos [20]. Sin embargo,
Chiapella comenta que es lógico pensar que a medida que se
incrementa el número de vecinos, las distancia serán
mayores, al igual que la unidad a imputar, y esto implica que
un sesgo de precisión en los valores imputados [18].
Teniendo en cuenta lo anterior, la evidencia académica
señalada en diferentes artículos, el tamaño y los primeros
análisis de imputación realizados al Data Set de
siniestralidad, se determina conveniente tomar 𝐾 = 10 para
la imputación de valores faltantes dentro de la base de datos.
Ilustración 5. Diagrama metodológico de investigación con modelos de
clasificación.
B. Metodología
Dentro de esta investigación se hace uso de la metodología
CRISP – DM (Cross-Industry Standard Process for Data
Mining), usada y probada como guía metodológica para
trabajos de minería de datos; esta metodología consiste de
seis fases que indican la dependencia más importante y
frecuente de las fases, es ampliamente usado por la
flexibilidad y fácil personalización de acuerdo a los trabajos
dinámicas que se realizan en la minería de datos [21].
A continuación, en la Ilustración 4 se presenta el ajuste de la
metodología CISP–MD seguida para el análisis,
preprocesamiento y procesamiento de los datos de
accidentalidad en Bogotá D.C.
Ilustración 4. Diagrama metodológico de secuencia de fases de la
metodología CRISP-DM ajustada para el estudio.
Fuente: Elaboración propia
C. Resultados
1) Análisis Exploratorio de Datos
En la Ilustración 6 se presenta la cantidad de accidentes
ocurridos anualmente en el periodo 2015 – 2020
categorizados según la gravedad del mismo; se observa una
creciente tasa de accidentalidad a partir del año 2015 y
presenta su mayor pico en el año 2018 con un total de 36.953
accidentes de transito de los cuales el 1,35% resulto con
víctimas fatales, el 34,12% resultaron heridos y choques
simples el 64,53%.
Fuente: Elaboración propia mediante modificación de la imagen publicada por IBM
[21]
En la Ilustración 5 se presenta el diagrama metodológico de
investigación; basados en el modelo CRISP-DM y el
presentado a continuación se espera desarrollar de la forma
más apropiada esta investigación.
Lo anterior nos indica que la mayor parte de los accidentes
que se presentaron en Bogotá resultaron ser accidentes sin
muertos o heridos, sin atención ambulatoria, únicamente
daños operacionales de importancia a la infraestructura o
vehículos.
A demás se observa una reducción porcentual entre el 2018
y el 2020 del 35,10%, cabe aclarar que esta reducción se
presento por las restricciones a la movilidad debido a la
pandemia COVID – 19.
Ilustración 6.Historico de la cantidad de accidentes según la gravedad
Ilustración 7. Distribución de las edades donde más se presenta mayor
accidentalidad
Fuente: Elaboración propia
Fuente: Elaboración propia
De los análisis se determinó que el 90,5% de los involucrados
en un accidente de tránsito son hombre entre el rango etario
de 25 a 45 años aproximadamente, mientras el 9,5% de los
involucrados son mujeres entre los 25 y 40 años
aproximadamente.
Ilustración 8. Mapa de concentración de puntos de mayor gravedad de accidentes de tránsito
Fuente: Elaboración propia
Basados en los datos de accidentes de tránsito
georreferenciados, se elaboró la Ilustración 8, donde se
presenta el mapa con la concentración de siniestros de
tránsito según la gravedad de estos para Bogotá D.C.
Del mapa de concentración es importante observar que los
principales focos de concentración de accidentes con mayor
gravedad se presentan sobre las vías primarias de alta
velocidad como la Autopista Norte, Avenida Calle 26,
Avenida Calle 13, Avenida Ciudad de Cali, Avenida Boyacá,
entre otras; mientas en vías barriales es donde se presentan la
concentración de puntos fríos – donde se concentran
accidentes de muy baja gravedad.
Encontrando que las localidades donde más se presentaron
accidentes, son la localidad de Kennedy, Usaquén, Engativá,
Suba, Fontibón y Barrios unidos, tal como se presenta en la
Ilustración 9, mientras localidades como La Candelaria y
Sumapaz presentan una cantidad mínima de accidentes.
Ilustración 9. Cantidad de accidentes categorizado por localidad.
Tabla 3. Ocurrencia de accidentes según la causa probable registrada.
Código
Código
Ocurrencias
Ocurrencias
de Causa
de Causa
121
103
157
112
134
411
142
132
409
145
104
143
122
127
98
106
139
123
119
115
102
116
141
506
114
410
306
404
47795
29448
27005
21045
5912
4968
4171
3920
3855
3583
3470
2759
2640
2456
2443
2141
1988
1876
1871
1761
1672
1664
1418
1081
1077
1004
859
748
105
202
154
93
125
308
402
133
97
407
401
304
101
303
94
217
118
128
110
99
146
90
201
138
301
203
131
302
696
638
561
545
525
484
449
443
427
327
279
278
272
242
217
189
171
171
167
163
160
155
154
152
131
123
110
102
Fuente: Elaboración propia, Nota: ver código causa en diccionario adjunto
Se determina cuales son las principales características de los
lugares donde ocurrieron accidente, estableciente que el
76,97% de estos a lo largo de tramos de vía de la ciudad y
el 19,48% se presentan en intersecciones como se muestra en
la Ilustración 10.
Fuente: Elaboración propia
Del mapa de concentración se puede establecer que la
densidad de puntos calientes con mayor gravedad de
accidentes se presenta en vías de alta velocidad, por
consiguiente, se decide establecer las principales causas
probables de los accidentes de tránsito en la vía fueron: No
mantener distancia de seguridad, adelantar vehículos
cerrando, desobedecer señales de tránsito, reverso
imprudente y cruzar sin observar como se presentan en la
Tabla 3.
Adicionalmente se realizó la Ilustración 11, donde se puede
establecer la hora en la cual se presentan mayor cantidad de
accidentes de tránsito, llegando a la conclusión que entre la
franja horaria de 7:00 AM a 3:00 PM se concentran la mayor
cantidad de accidentes leves o solo con daños materiales,
entre el rango de 5:00 AM – 9:00 AM y entre las 3:00 PM y
7:00 PM se presentan la mayor cantidad de accidentes de la
ciudad que dejaron heridos.
Ilustración 11. Concentración horaria de accidentes de tránsito a lo largo
de un día
Ilustración 10. Cantidad de accidentes según el diseño de la vía.
Fuente: Elaboración propia
El la Ilustración 12, se presentan las concentraciones de
accidentes con victimas fatales a lo largo de un día, donde se
puede establecer que entre las horas de 5:00 AM a 7:00 AM
y entre las 5:00 PM y 10:00 PM son los horarios donde más
se presentaron accidentes con muertos.
Fuente: Elaboración propia
Ilustración 12. Concentración horaria de accidentes de tránsito con
fallecidos a lo largo de un día
Fuente: Elaboración propia
2) Comparación predictiva de modelos (Naive Bayes,
Fisher´s Linear y Booster Tree)
La Tabla 4 se presenta el porcentaje de predicción obtenido
para cada método. Se destaca el método Boosted tree el cual
logro la mayor precisión, alcanzando un predecir el 85.8% de
predicciones correctas en los datos.
Los mejores parámetros en la búsqueda de valores óptimos
fueron 'shrinkage': 'auto' y 'solver': 'lsqr'. Estos parámetros
resultaron en la mejor precisión de predicción para el
modelo. La selección automática del shrinkage por parte del
algoritmo y el uso del método de mínimos cuadrados
regularizados (lsqr) se consideraron positivos en el conjunto
de datos debido a la alta dimensionalidad.
En la matriz de confusión, se puede observar que la clase que
representa los accidentes con fallecidos tiene más errores de
clasificación en comparación con otras clases. Esta gran
diferencia en la precisión de clasificación se debe a que existe
un sesgo en el modelo hacia las clases dominantes. La clase
dominante en el conjunto de datos es “solo daños” por tanto
es la que tiene un mejor rendimiento al clasificar.
Tabla 5. Matriz de confusión para método Fisher´s Linear
Tabla 4. Comparación del porcentaje de predicción de los modelos usados.
Método
Naive Bayes
Fisher’s Linear
Boosted Trees
Predicción
(%)
82,4
83,4
85,8
Fuente: Elaboración propia
Respecto a la predicción del método Naive Bayes se puede
establecer que alcanzo una eficiencia del 82,45% lo cual la
hace el modelo menos eficiente de los usados, basado en la
investigación previa del método el error de clasificación no
está relacionado con la calidad de ajuste de las distribuciones
de probabilidad, haciendo que las proyecciones estimadas y
las reales coincidan en la clase más probable y dado que las
cómo se presentó en el análisis exploratorio de datos, la gran
mayoría de datos se centraba en una misma categoría –
Muertos – la mejor predicción se encuentra en solo daños,
principalmente por la concentración de datos de
entrenamiento en esta zona.
Ilustración 13. Matriz de confusión para método Naive Bayes
Fuente: Elaboración propia
Fuente: Elaboración propia
Al observar la figura Ilustración 14, se puede evidenciar que
el rendimiento del modelo de Boosted Tree se ve
influenciado por dos parámetros clave: el número de árboles
en el bosque (iteraciones) y la profundidad máxima de cada
árbol. Después de que el algoritmo analizara las diferentes
combinaciones, se encontró que el mejor rendimiento se
logra con 200 iteraciones y una profundidad de 15. Es
importante destacar que la profundidad máxima permitida es
16.
Ilustración 14. Precisión obtenida cambiando el número de bosque
aleatorios del modelo.
dentro del modelo se establece que el número óptimo de
centros es de 4, es decir se establecen cuatro niveles de
agrupación de closters como se presenta en la Ilustración 15.
Ilustración 15. Cargue de covarianza de la totalidad de daros simulados.
Fuente: Elaboración propia
Fuente: Elaboración propia
3) Gaussian Mixture Models
Se realiza la simulación del modelo con todos los datos del
Data Set; y según los ciclos de covarianza desarrollados
A continuación, se programa el modelo y se establece la
distribución de probabilidades de cada componente y del
modelo completo, como se presenta en la Ilustración 16.
Ilustración 16. Distribución de probabilidades de cada componente del modelo y del modelo completo usando GMMs.
Fuente: Elaboración propia
Dado que los modelos GMM son modelos probabilísticos, se
puede recurrir a métricas como el Akaike Information
Criterion
(AIC) o Bayesian
Information
Criterion
(BIC) para identificar cómo de bien se ajustan los datos
observados a modelo creado. Basados en la Ilustración 17 se
puede establecer que tanto el modelo BIC como el AIC son
iguales, identificando 4 centros como óptimo de clusters.
Ilustración 17. Valores BIC y AIC para la comparación de cluster óptimos.
Fuente: Elaboración propia
Ilustración 18. Aplicación del Método Kriging para la creación de Ráster de predicción de Accidentes graves.
Fuente: Elaboración propia
Una vez se obtiene el número de categorías producidas por
el modelo GMM se usa el programa ArcGis Pro para
producir un modelo tipo ráster en donde se evidencie la
probabilidad de existencia de un accidente categorizado
según la gravedad. En este caso se usa el modelo de Kriging.
Las herramientas de interpolación IDW (distancia inversa
ponderada)
y Spline se
conocen
como
métodos
determinísticos de interpolación porque están basados
directamente en los valores medidos o en fórmulas
matemáticas específicas que determinan la suavidad de la
superficie resultante.
Ilustración 19. Matriz de correlación producida para el método GMM.
De la Ilustración 18 se puede resaltar la alta probabilidad de
ocurrencia de un accidente categorizado según la
closterización realizada mediante el modelo GMM; y de la
cual se obtuvieron las relaciones presentadas en la Ilustración
19.
Fuente: Elaboración propia
04/Cifras_Nacionales_Diciembre_2022_Publica
r.pdf
IV. CONCLUSIONES
•
•
•
Se realizo la comparación de las cifras obtenidas en
el análisis exploratorio de datos con las cifras de
accidentalidad publicadas por la Agencia Nacional
de Seguridad Vial se acercan a los informes de
accidentalidad entregados.
Los datos de accidentalidad en 2020 son en
promedio menores a los presentados en años
anteriores, esto debido a la pandemia del Covid-19,
lo cual puede ser factor de alteración en los modelos
predictivos propuestos en este documento.
•
Secretaría de Movilidad, “Anuario
Siniestralidad Vial en Bogotá,” 2021.
[5]
Y. J. Marcano Aular and Rosalba Talavera
Pereira, “Minería de Datos como Soporte a la
Toma de Decisiones Empresariales,” SciElo, vol.
23, no. 52, Jan. 2007.
[6]
F. J. S. Flores and José María Pardillo Mayora,
“Tratamiento de outliers en los modelos de
predicción de accidentes de tráfico,” Madrid,
2008.
[7]
L. Cruz Bellas, “Modelos Predictivos de
Accidentes de Tráfico en Madrid,” 2017.
[8]
M. Roberto, R. Godoy, P. Guía, : Nibaldo, R.
Agurto, and I. A. Zamorano, “Predicción de
Accidentes de Tránsito Utilizando Redes
Neuronales Artificiales Y Cuckoo Search,” 2015.
[9]
C. Montt, J. M. Rubio, and S. Lanata, “Análisis de
Accidente de Tránsito con Inteligencia
Computacional,” 2013.
[10]
A. Pereira­Toledo, J. D. López Cabrera, L. A.
Quintero Domínguez, M. Fajardo, and S.
Spíritus, “Estudio experimental para la
comparación del desempeño de Naïve Bayes
con otros clasificadores bayesianos,” Revista
Cubana de Ciencias Informáticas, vol. 11, no. 4,
2017,
[Online].
Available:
http://rcci.uci.cuPág.67­
84Editorial"EdicionesFuturo"
[11]
W. T. Rish, “An empirical study of the naive
Bayes classifier,” 2001.
[12]
D. D. Lewis, “Naive (Bayes) at Forty: The
Independence Assumption in Information
Retrieval,” 2001.
[13]
G. Alejandra Rodríguez Ruiz and J. A. González
Bernal Leopoldo Altamirano Robles, “Detección
de
Microcalcificaciones
utilizando
Discriminantes Lineales de Fisher por,” 2009.
El método de Boosted Trees fue el modelo que
obtuvo el mayor porcentaje de predicción entre los
tres modelos analizados con un 85,8%.
Método
•
[4]
Naive Bayes
Fisher’s Linear
Boosted Trees
Predicción
(%)
82,4
83,4
85,8
Los puntos más importantes del trabajo es lograr la
compresión de la información y de la naturaleza de
los datos para así lograr una interpretación de los
resultados. Se debe establecer el alcance del análisis
para enfocar la investigación y obtener resultados
significativos.
La eficiencia del entrenamiento se vio afectada
debido a que la clase presentaba un sesgo
significativo. Este sesgo puede afectar la capacidad
del modelo para clasificar correctamente las clases
minoritarias. Es importante abordar este sesgo para
mejorar la precisión y eficiencia del modelo.
•
V. REFERENCIAS
[1]
World Health Organization, “Global Status
Report on Road Safety 2018 Summary,”
Geneva,
2018.
[Online].
Available:
http://apps.who.int/bookorders.
[2]
World Health Organization, “Plan Mundial para
el Decenio de Acción para la Seguridad,” 2011.
[3]
Agencia Nacional de Seguridad Vial,
“Comportamiento Cifras de Víctimas en
Siniestros Viales,” Bogotá D.C, Dec. 2022.
Accessed: May 16, 2023. [Online]. Available:
https://ansv.gov.co/sites/default/files/2023­
de
[14]
D. A. Galicia De Castro, T. Lora, and F. Martínez
Álvarez,
“TÉCNICAS
DE
PREDICCIÓN
ESCALABLES PARA BIG DATA TEMPORALES,”
2019.
[18]
L. C. Chiapella, “Impacto de estrategias para el
tratamiento de información faltante sobre la
estimación de modelos de regresión de Cox,”
Universidad Nacional de Rosario, 2019.
[15]
J. Amat Rodrigo, “Clustering con Python,”
cienciadedatos.net,
Dec.
2020.
https://www.cienciadedatos.net/documentos/
py20­clustering­con­python.html
(accessed
May 18, 2023).
[19]
M. H. Cartwright, M. J. Shepperd, and Q. Song,
“Dealing with missing software project data,”
5th International Workshop on Enterprise
Networking and Computing in Healthcare
Industry, 2003.
[16]
D. Pinto Veizaga and J. Lezama Amastalli,
“Modelos Mixtos Gaussianos, Algoritmo EM y
una aplicación a la detección de cáncer de
mama,”
2020.
https://rstudio­pubs­
static.s3.amazonaws.com/705612_158ac73a6c
0e42168f051b48c1f81bb5.html (accessed May
18, 2023).
[20]
G. Batista and M. Monard, “A Study of k­nearest
Neighbour As an Imputation Method,” Hybrid
Intelligent Systems, pp. 251–260, 2002.
[21]
IBM, “Conceptos básicos de ayuda de CRISP­
DM,”
Aug.
17,
2021.
https://www.ibm.com/docs/es/spss­
modeler/saas?topic=dm­crisp­help­overview
(accessed May 18, 2023).
[17]
R. Diáz, “Algoritmo KNN ­ Cómo Funciona y
Ejemplos en Python,” The Machine Learners ,
2022.
https://www.themachinelearners.com/algorit
mo­knn/ (accessed May 18, 2023).